通过基于图像的EEG信号分析来检测的先进框架
Palani Thanaraj Krishnan1, Sudheer Kumar Erramchetty1, Bhanu Chander Balusa1
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, India.
Frontiers in human neuroscience
|February 6, 2024
概括
这项研究介绍了一种基于图像的机器学习方法,用于使用格拉米安角总和场 (GASF) 和像SIFT和ORB这样的特征提取技术来检测,从而在分类EEG信号中实现高精度.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 是一种神经系统疾病,其特点是经常性发作,需要准确的诊断才能进行有效的治疗.
- 脑电图 (EEG) 时间序列分析对于的诊断至关重要,但传统方法是计算密集的.
- 机器学习为改善的检测提供了潜力,重点是从EEG数据中提取先进的特征.
研究的目的:
- 调查格拉米安角总和场 (GASF) 对于将EEG信号转化为图像的有效性.
- 探索使用尺度不变特征转换 (SIFT) 和定向快速和旋转简要 (ORB) 来从EEG数据中提取图像特征以检测.
- 用这些基于图像的特征来评估机器学习分类器在区分正常和焦点EEG模式方面的性能.
主要方法:
- 使用GASF方法将EEG信号转换为图像.
- 应用了SIFT和ORB技术,从GASF图像中提取相关特征.
- 使用随机森林分类器来区分正常和焦点EEG模式,对SVM和k-NN进行性能验证.
主要成果:
- 提出的方法实现了高分类准确性:96%的SIFT特征和94%的ORB特征.
- 与其他分类器相比,随机森林分类器在精度,回忆,F1得分,特异性和曲线下的面积 (AUC) 方面表现出卓越的表现.
- 接收器操作特征 (ROC) 曲线分析证实了随机森林在支持矢量机 (SVM) 和k-最近邻居 (k-NN) 上的优势.
结论:
- 使用GASF,SIFT和ORB的基于图像的新型预处理管道比传统的时间序列EEG分析具有显著的优势.
- 这种方法准确地区分正常和焦点EEG信号,为更早,更精确的诊断铺平了道路.
- 这些发现表明,通过加强的早期检测和管理,改善了患者的治疗结果.
